Análise da Paisagem

Aula 13 — Sensoriamento Remoto Aplicado I: Fundamentos Operacionais
Curso de Geografia

Luiz Diego Vidal Santos

Universidade Estadual de Feira de Santana (UEFS)

2026-04-08

Visão Geral da Aula

Tópicos

  • 1 Sensoriamento remoto na análise da paisagem
  • 2 Imagens orbitais: sensores e plataformas
  • 3 Resoluções: espacial, espectral, temporal, radiométrica
  • 4 Bandas espectrais e composições coloridas
  • 5 Índices espectrais: NDVI, NDWI, NDBI
  • 6 Uso e cobertura da terra: leitura e classificação
  • 7 Bases de dados e acesso: GEE, MapBiomas, INPE

Objetivo da Aula

Compreender os fundamentos operacionais do sensoriamento remoto orbital aplicado à análise da paisagem: tipos de sensores, resoluções, composições de bandas e índices espectrais, capacitando o estudante a ler e interpretar imagens de satélite como fonte de evidência.

1 — SR NA ANÁLISE DA PAISAGEM

Por que sensoriamento remoto?

O SR como ferramenta para a paisagem

O sensoriamento remoto permite:

  • Visão sinóptica — coberturas extensas em um único registro
  • Repetibilidade — séries temporais para detectar mudanças
  • Multiscalaridade — do metro ao quilômetro
  • Registro objetivo — dados mensuráveis e reproduzíveis
  • Cobertura de áreas inacessíveis — semiárido, floresta densa, zonas remotas

Na análise da paisagem

Ferramenta O que fornece
Imagem óptica Padrões de uso/cobertura, feições visíveis
Série temporal Trajetórias de mudança, sazonalidade
Índices espectrais Vigor da vegetação, umidade, urbanização
Classificação Mapa temático → base para métricas

De onde observamos?

         🛰️ Satélite (órbita ~700 km)
              ↓
        Sensor → Registra energia
              ↓
        Imagem → Pixels geolocalizados
              ↓
        Análise → Informação sobre a paisagem

Princípio fundamental

Todo corpo com temperatura acima do zero absoluto emite radiação eletromagnética. Além disso, objetos refletem a radiação solar de forma diferente:

  • Vegetação → alta reflectância no infravermelho
  • Água → baixa reflectância no infravermelho
  • Solo exposto → reflectância crescente
  • Área urbana → padrão misto

“Cada cobertura da terra tem uma ‘assinatura espectral’.”

2 — IMAGENS ORBITAIS

Principais sensores e plataformas

Sensor/Satélite Operador Resolução espacial Resolução temporal Bandas Uso típico
Landsat 8/9 USGS/NASA 30 m (15 m Pan) 16 dias 11 Série histórica (1984–)
Sentinel-2 ESA (Copernicus) 10–20 m 5 dias 13 Uso/cobertura detalhado
CBERS-4A INPE/China 2–64 m 26 dias Variável Monitoramento regional
MODIS NASA 250–1000 m 1–2 dias 36 Monitoramento global
Planet (comercial) Planet Labs 3–5 m Diária 4–8 Alta frequência
Google Earth Google Variável Variável RGB Visualização e contexto

Para a disciplina: trabalharemos principalmente com Sentinel-2 (alta resolução, gratuito, recente) e MapBiomas (classificação anual do uso/cobertura da terra no Brasil, baseada em Landsat desde 1985).

As 4 resoluções

1. Resolução Espacial

Tamanho do pixel no terreno.

Classe Pixel Exemplo
Muito alta < 1 m Imagens comerciais (WorldView)
Alta 1–10 m Sentinel-2 (10 m), Planet (3 m)
Média 10–100 m Landsat (30 m)
Baixa > 100 m MODIS (250–1000 m)

Menor pixel → mais detalhe, mas mais dados e menor área.

2. Resolução Temporal

Intervalo entre revisitas ao mesmo ponto.

  • Sentinel-2: 5 dias (com 2 satélites)
  • Landsat: 16 dias
  • MODIS: diária

Maior frequência → mais chances de imagem sem nuvem.

3. Resolução Espectral

Número e largura das bandas do sensor.

  • Multiespectral (4–13 bandas): Landsat, Sentinel-2
  • Hiperespectral (> 100 bandas): PRISMA, EnMAP
  • Pancromática (1 banda larga): fusão para nitidez

Mais bandas → mais informação sobre composição de alvos.

4. Resolução Radiométrica

Número de níveis de cinza por pixel.

  • 8 bits → 256 níveis (0–255)
  • 12 bits → 4096 níveis
  • 16 bits → 65.536 níveis

Mais bits → melhor discriminação de alvos com reflectância semelhante.

Resumo: A escolha do sensor depende do objetivo da análise. Para a análise da paisagem, buscamos equilíbrio entre resolução espacial (detalhe), temporal (mudanças) e espectral (discriminação de alvos).

3 — BANDAS E COMPOSIÇÕES

Bandas espectrais do Sentinel-2

Banda Nome Faixa (nm) Resolução O que detecta
B2 Azul 490 10 m Água, atmosfera
B3 Verde 560 10 m Vegetação verde
B4 Vermelho 665 10 m Clorofila (absorção)
B8 NIR 842 10 m Vegetação (alta reflectância)
B11 SWIR-1 1610 20 m Umidade, solo
B12 SWIR-2 2190 20 m Minerais, solo seco

Composições coloridas

Atribuímos bandas aos canais R-G-B do monitor:

Composição R G B O que destaca
Cor verdadeira B4 B3 B2 Como o olho vê
Falsa cor (veg.) B8 B4 B3 Vegetação em vermelho
SWIR B12 B8 B4 Solo, queimadas, umidade
Agricultura B11 B8 B2 Cultura/solo/água

Na prática: A composição falsa cor (B8-B4-B3) é a mais útil para análise da paisagem: vegetação aparece em vermelho vivo, solo exposto em tons claros e água em tons escuros.

4 — ÍNDICES ESPECTRAIS

Principais índices para a paisagem

NDVI — Índice de Vegetação

\[NDVI = \frac{NIR - RED}{NIR + RED} = \frac{B8 - B4}{B8 + B4}\]

Valor Interpretação
-1 a 0 Água, solo nu, nuvens
0 a 0,2 Solo exposto, vegetação rala
0,2 a 0,5 Pastagem, caatinga aberta
0,5 a 0,8 Vegetação densa, cultura irrigada
> 0,8 Floresta densa, alta atividade fotossintética

NDWI — Índice de Água

\[NDWI = \frac{GREEN - NIR}{GREEN + NIR} = \frac{B3 - B8}{B3 + B8}\]

  • Valores positivos → superfícies de água
  • Valores negativos → superfícies secas

NDBI — Índice de Área Construída

\[NDBI = \frac{SWIR - NIR}{SWIR + NIR} = \frac{B11 - B8}{B11 + B8}\]

  • Valores positivos → áreas urbanizadas/construídas
  • Valores negativos → vegetação

Para que usar índices?

  1. Quantificar atributos da paisagem (vigor, umidade, impermeabilização)
  2. Comparar áreas ou períodos temporais
  3. Mapear classes de cobertura com mais objetividade
  4. Detectar mudanças (ex: queda do NDVI = desmatamento)

Importante: Índices são aproximações. Devem ser interpretados com cautela e, sempre que possível, validados com dados de campo ou fontes independentes.

5 — USO E COBERTURA DA TERRA

Da imagem ao mapa temático

Classificação de imagens

Método Descrição Quando usar
Visual Intérprete identifica e delimita classes Áreas pequenas, alta precisão
Supervisionada Algoritmo treinado com amostras do intérprete Áreas médias, classes conhecidas
Não supervisionada Algoritmo agrupa pixels sem amostras Exploração inicial, áreas desconhecidas
Orientada a objetos Segmenta imagem em objetos, depois classifica Imagens de alta resolução

Classes típicas na paisagem

  1. Floresta/mata — vegetação natural arbórea
  2. Campo/cerrado/caatinga — vegetação natural não-arbórea
  3. Pastagem — uso agropecuário
  4. Agricultura — lavouras anuais/perenes
  5. Solo exposto — sem cobertura vegetal
  6. Água — corpos hídricos
  7. Área urbana — edificações, vias

MapBiomas: a base de referência

O MapBiomas é a mais completa base de uso/cobertura da terra no Brasil:

  • 35+ anos de série anual (1985–presente)
  • Baseado em Landsat (30 m)
  • Classificação automática com Random Forest
  • Validação com ~75.000 amostras (acurácia global > 85%)
  • Biomas completos do Brasil
  • Mapas de transição (classe A → classe B)
  • Dados abertos e gratuitos
  • Acesso: mapbiomas.org

Plataformas de acesso

Plataforma Tipo Acesso
Google Earth Engine Processamento em nuvem earthengine.google.com
MapBiomas Classificação pronta mapbiomas.org
INPE/Catálogo Download de imagens www.dgi.inpe.br/catalogo
Copernicus Open Access Hub Sentinel-2 scihub.copernicus.eu

6 — REALCES E PRÉ-PROCESSAMENTO

Técnicas básicas de realce

Contraste e brilho

  • Estiramento de histograma — amplia o intervalo de cinza para melhorar visualização
  • Equalização — distribui uniformemente os valores de cinza
  • Estiramento linear entre percentis (2%–98%)

Filtragem

Tipo Função Uso
Passa-baixa Suaviza (média) Remover ruído
Passa-alta Realça bordas Detectar limites/feições
Mediana Suaviza preservando bordas Reduzir “sal e pimenta”

Correção atmosférica

  • Remove efeitos de espalhamento e absorção atmosférica
  • Converte valores digitais (DN) em reflectância de superfície
  • Essencial para comparação temporal
  • Sentinel-2 Level-2A já vem corrigido

Fluxo básico de trabalho

1. Obter imagem (download/GEE)
       ↓
2. Verificar qualidade (nuvens, sombra)
       ↓
3. Correção atmosférica (se necessário)
       ↓
4. Recortar área de estudo
       ↓
5. Composição colorida (visualização)
       ↓
6. Cálculo de índices (NDVI, NDWI...)
       ↓
7. Classificação (se necessário)
       ↓
8. Interpretação e validação
       ↓
9. Mapa temático final

Ferramentas que usaremos

  • QGIS (visualização, análise, layout)
  • Google Earth Engine (processamento em nuvem)
  • MapBiomas (classificação pronta)

Para a próxima aula

Atividade prática (Aula 14)

Na próxima aula, faremos exercício de identificação de feições na área de estudo:

  1. Acessar imagem Sentinel-2 recente
  2. Aplicar diferentes composições coloridas
  3. Calcular NDVI e NDWI
  4. Identificar e mapear feições
  5. Comparar com MapBiomas

Preparação

  • Ter conta no Google Earth Engine (solicitar acesso se necessário)
  • Revisar a delimitação da área de estudo (Aula 08)
  • Trazer os limites da área em formato shapefile ou GeoJSON
  • Livro de referência: Jensen (2000), cap. 1–4

Síntese da Aula 13

O que vimos hoje

  1. SR na análise da paisagem — visão sinóptica, repetibilidade, multiscalaridade
  2. Sensores e plataformas — Landsat, Sentinel-2, CBERS, MODIS, MapBiomas
  3. Quatro resoluções — espacial, espectral, temporal, radiométrica
  4. Bandas e composições — cor verdadeira vs. falsa cor; B8-B4-B3 para vegetação
  5. Índices espectrais — NDVI, NDWI, NDBI: quantificação e comparação
  6. Uso e cobertura — métodos de classificação; MapBiomas como referência
  7. Realce e pré-processamento — contraste, filtragem, correção atmosférica

Obrigado!

Luiz Diego Vidal Santos

Universidade Estadual de Feira de Santana (UEFS)

Análise da Paisagem — Aula 13